154 artigos
Este artigo propõe um método que capacita agentes de LLM a realizar recuperação nativa de conhecimento diretamente a partir de seus estados ocultos, eliminando a necessidade de um modelo de incorporação separado e mantendo 97% da qualidade de recuperação original.
O artigo apresenta o OfficeQA Pro, um novo benchmark que avalia a capacidade de agentes de IA de realizar raciocínio fundamentado em grandes corpora de documentos heterogêneos, revelando que os modelos de ponta atuais ainda apresentam desempenho insuficiente para aplicações empresariais confiáveis, embora representações estruturadas de documentos possam melhorar significativamente sua precisão.
Este artigo oferece uma visão abrangente das pesquisas sobre explicabilidade e interpretabilidade em métodos de processamento de linguagem natural e recuperação de informação, abordando desde embeddings de palavras e modelos de atenção até transformers e BERT, além de sugerir direções futuras para o campo.
O artigo propõe o ADC-SID, um quadro que melhora a geração robusta de IDs semânticos em sistemas de recomendação ao adaptar a alinhamento entre comportamento e conteúdo e ponderar dinamicamente os IDs comportamentais para filtrar o ruído colaborativo, especialmente em itens de cauda longa.
Este estudo demonstra que a sequência de avaliação ("Avaliar Primeiro" versus "Escrever a Análise Primeiro") polariza as classificações dos consumidores, aumentando-as em serviços de alta qualidade e diminuindo-as em serviços de baixa qualidade, um efeito mediado por heurísticas afetivas e esforço cognitivo que é amplificado em produtos hedônicos e confirmado por dados reais de plataformas como Yelp e Letterboxd.
O estudo compara sistematicamente a justiça entre rerankers com e sem raciocínio, descobrindo que os modelos de raciocínio não melhoram nem prejudicam a equidade em comparação com abordagens tradicionais, mantendo as características de justiça da classificação de entrada.
Este trabalho propõe uma reformulação causal para Sistemas de Recomendação Generativos, introduzindo as arquiteturas AttnLFA e AttnMVP que eliminam a intercalação ineficiente de tokens para reduzir a complexidade sequencial e o tempo de treinamento, enquanto superam consistentemente as abordagens atuais em desempenho e eficiência.
O artigo propõe o "Differentiable Geometric Indexing" (DGI), uma abordagem de recuperação generativa que resolve conflitos de otimização e geométricos ao unificar a indexação diferenciável via *Soft Teacher Forcing* e otimização isotrópica em hipersfera, superando métodos existentes e demonstrando maior robustez em cenários de cauda longa.
O artigo propõe um quadro unificado para recomendação de notícias que modela a evolução dos interesses do usuário em estágios, combinando a modelagem de preferências de longo prazo com a análise de dinâmicas de curto prazo em subgrafos temporais para superar as limitações dos métodos estáticos existentes.
Este artigo apresenta um novo framework para agentes autônomos que melhora o desempenho futuro ao extrair automaticamente aprendizados estruturados de trajetórias de execução e recuperá-los contextualmente, resultando em ganhos significativos na conclusão de tarefas complexas.
O artigo apresenta o ExBI, um sistema inovador baseado em hipergrafos que supera as limitações da Inteligência de Negócios tradicional ao permitir a evolução dinâmica de esquemas e a reutilização de visões materializadas, alcançando acelerações significativas de desempenho e alta precisão em workflows exploratórios de grande escala.
Este trabalho propõe o TriRec, um novo framework de recomendação baseado em agentes de LLM que coordena a utilidade do usuário, a exposição dos itens e a justiça da plataforma em duas etapas, demonstrando que a autopromoção dos itens pode simultaneamente melhorar a precisão e a equidade, superando o compromisso tradicional entre relevância e justiça.
Este artigo demonstra que o uso de dados estruturados vinculados, especificamente através de páginas de entidades otimizadas com instruções para agentes e interligação neural, melhora significativamente a precisão e a qualidade das respostas em sistemas de Geração Aumentada por Recuperação (RAG) padrão e orientados a agentes, superando abordagens baseadas apenas em texto plano ou metadados JSON-LD simples.
O artigo apresenta o RAGPerf, um framework de benchmarking de ponta a ponta que modulariza e avalia o desempenho e a precisão de sistemas de Geração Aumentada por Recuperação (RAG), suportando diversos componentes, dados e métricas com sobrecarga negligenciável.
Este estudo apresenta um pipeline assistido por LLM que converte quatro protocolos de identificação de metáforas em scripts de regras executáveis e auditáveis, demonstrando que a escolha do protocolo é a principal fonte de variação nos resultados e que essa abordagem garante transparência total e desempenho competitivo na identificação de metáforas em chinês.
Este artigo apresenta um novo corpus bilíngue (inglês/alemão) e uma taxonomia de arquivo de autoridade (GND) para treinar e avaliar sistemas de classificação de texto multi-rótulo, visando aprimorar a indexação e o trabalho dos catalogadores em bibliotecas digitais por meio de IA transparente e baseada em autoridade.
O artigo apresenta o PharmGraph-Auditor, um sistema híbrido que combina uma Base de Conhecimento Farmacêutico (HPKB) com um paradigma de Verificação em Cadeia (CoV) para transformar modelos de linguagem em motores de raciocínio transparentes e baseados em evidências, visando aumentar a segurança e a rastreabilidade na verificação de prescrições médicas.
Este estudo sistematiza o impacto das fontes e modelos de feedback na eficácia do Feedback de Relevância Pseudo (PRF) com LLMs, demonstrando que a escolha do modelo de feedback é crítica e que a melhor estratégia depende do uso de texto gerado pelo LLM ou de documentos recuperados, conforme a força do recuperador inicial.
O artigo apresenta o LLMGreenRec, um novo sistema de recomendação baseado em agentes múltiplos e modelos de linguagem (LLMs) que promove o consumo sustentável ao identificar intenções ecológicas dos usuários e reduzir a pegada de carbono digital, preenchendo a lacuna entre a intenção verde e a ação no comércio eletrônico.
O artigo propõe as "Rastros de Atividade de Leitura" (RATs), uma abordagem que trata a leitura como uma atividade criativa por si só e para futuros artefatos, tornando visível o trabalho interpretativo que está sendo automatizado e comprimido por feeds algorítmicos e resumos de IA, ilustrado através de uma instância especulativa na Wikipedia chamada WikiRAT.